| < eelmine | 8. OSA sisukord | järgmine > |
8.6 Kokkuvõte autorid: Raivo Kolde, Sulev Reisberg
Tänu protsesside digitaliseerimisele tekib meditsiinis igapäevaselt üha rohkem andmeid. Sisuliselt jääb igast tegevusest järele jälg. See on viinud paljud inimesed mõttele neid andmeid senisest paremini kasutada, et teha arstide tööd lihtsamaks. Siin loengus näitasime mitmeid potentsiaalseid ideid terviseandmete paremaks rakendamiseks nii rahvatervise mõistmisel kui arstide töö lihtsustamisel. Paljud masinõppe pioneerid on aga oma lootustes läinud palju kaugemale. Mõned aastad tagasi oli suhteliselt levinud seisukoht, et tehisintelligents võtab üle suurema osa arstide tööst. Radioloogide asemel hakkavad röntgenipilte uurima närvivõrgud ning patsiente lõikama robotkirurgid, kes teevad oma tööd väsimatult ja ilma vigadeta, tuginedes miljonite patsientide andmetele.
Taolise visiooni realiseerimine on aga osutunud märgatavalt keerukamaks kui arvati. Probleemiks pole mitte masinõppe meetodite vähene jõudlus või täpsus, vaid see, et pole piisavalt kvaliteetseid andmeid, mille pealt õppida, samuti on väljakutseks arstide usalduse võitmine. Terviseandmete kõikuv kvaliteet tähendab, et algoritmide treenimiseks on vaja hiigelsuuri andmestikke, mis peavad olema ka väga mitmekesised, et katta ära võimalikult lai juhtumite spekter. Taoliste andmestike tekitamine on ääretult keeruline, sest raviajaloo puhul on tegu tundlike isikuandmetega, mille jagamisest pole ükski andmekogu väga huvitatud. Pudelikaelaks on ka meetodite efektiivsuse tõendamine. Lihtne on näidata, et mingil andmestikul on algoritm väga täpne, kuid palju raskem on tõestada, et täpsus säilib igas haiglas, kus seda rakendada proovitakse. Isegi kui meetod töötab keskmiselt hästi, ei tähenda see, et konkreetse patsiendi puhul annab see optimaalse tulemuse. Et selles kindel olla, peavad arstid ja patsiendid aru saama selle töö põhimõtetest ja rakendamise piirangutest, mis aga paljude moodsate masinõppe meetodite puhul on keeruline.
Ühelegi neist probleemidest pole lihtsat ja üldist lahendust, kuid konkreetsete rakenduste arendamisel on võimalik probleeme minimeerida. Arvatavasti tekib nii terve ökosüsteem rakendustest, mis muudavad arstide töö erinevaid aspekte lihtsamaks ja lubavad arstidel keskenduda keerukamatele probleemidele. Taoliste tööriistade arendamine pakub aga väljakutseid andmeteadlastele ja masinõppe ekspertidele veel pikkadeks aastateks.
| < eelmine | 8. OSA sisukord | järgmine > |